新媒网 · 跨境数据社区

各位跨境的同仁们，大家好！作为一名深耕跨境实战多年的老兵，今天我们来聊聊一个看似高深，实则与我们未来业务发展息息相关的技术话题：如何在计算流体力学（CFD）领域，通过NVIDIA GH200这样的顶级硬件，结合Autodesk Research的创新，实现"光速"般的计算效率。这背后，蕴含着当前科技发展最前沿的趋势——高性能计算与人工智能的深度融合，这对于我们理解和应用未来技术至关重要。

我们都知道，在现代产品开发中，无论是设计更安全的飞行器，还是优化可再生能源系统，计算机辅助工程（CAE）都扮演着核心角色。它决定了产品从概念到落地的效率和质量。因此，计算速度和精确度是工程决策的关键，直接影响着我们快速迭代和创新的能力。然而，长期以来，CAE领域的技术门槛一直不低。

传统的CAE应用，为了追求极致的吞吐量和可扩展性，往往依赖于C++和Fortran这类底层编程语言。而我们熟悉的Python，则因其在人工智能和机器学习领域的巨大优势，逐渐成为主流。但过去，Python由于其高级和解释型语言的特性，在处理大规模CFD应用时，性能瓶颈一直是个大问题。

随着基于物理的机器学习浪潮兴起，业界对那些既能无缝融入AI/ML生态系统，又能保持底层语言高性能的Python版CAE求解器，需求日益旺盛。

正是在这样的背景下，Autodesk Research团队开发了一款名为XLB（Accelerated Lattice Boltzmann）的库。新媒网跨境获悉，这是一款高性能、开源的计算流体力学（CFD）求解器，它基于格子玻尔兹曼方法（LBM）。XLB的诞生，正是为了弥合CAE求解器与AI/ML生态系统之间的鸿沟。它完全采用Python原生实现，大大降低了开发者的上手难度。更重要的是，其独特的可微分架构，使其能够自然地集成到现代AI-物理建模框架中，这在CAE和科学计算领域是一个快速增长的新兴方向。

Autodesk Research团队通过巧妙地结合NVIDIA Warp技术与NVIDIA GH200 Grace Hopper超级芯片，让XLB在特定硬件配置和基准测试中，相比其原有的GPU加速JAX后端，实现了惊人的约8倍提速。不仅如此，通过采用“核外计算”（out-of-core computation）策略，Autodesk Research还成功将XLB的Warp后端求解器扩展到处理大约500亿个计算单元的超大规模问题。

这里不得不提NVIDIA Warp，这是一个开源的Python框架，专为高性能模拟和空间计算而生，它将Python的易用性与CUDA的高性能计算（HPC）能力完美结合。同时，GH200超级芯片则像一位全能选手，它解决了CAE领域对高精度模拟、最大吞吐量和规模化的核心需求。

XLB：纯Python实现CFD的大规模飞跃

尽管Python实现的CFD代码传统上被认为在性能上有所妥协，但XLB的实践证明，Warp技术完全有能力在实际应用中，为CFD工作流带来颠覆性的性能提升。

下面的图1对比了OpenCL版FluidX3D和XLB的Warp后端求解器在512³方腔流模拟中的性能，单位是百万格子更新每秒（MLUPS）。这些数据基于公开信息和Autodesk Research团队的内部测试。

图1. XLB的Warp后端LBM求解器与FluidX3D的OpenCL后端求解器在GH200 Grace Hopper节点上的对比。

结果清晰地表明，Warp加速后的XLB Python代码，在方腔流模拟中的性能几乎与用C++实现的OpenCL版FluidX3D求解器持平（大约95%的相似度）。而Warp提供的是卓越的Python接口，这意味着更好的可读性和快速原型开发能力，这与FluidX3D代码的C++和OpenCL后端形成了鲜明对比。

这个性能上的等效，解决了CFD研究领域长期以来的一个难题。过去，研究人员总是在开发效率和计算性能之间挣扎，要么选择Python的易用性，要么选择C++或Fortran等优化语言的效率。而XLB借助Warp，让研究人员在享受Python庞大数值库、可视化工具和机器学习框架生态系统的同时，还能保持高吞吐量的性能。

图2. XLB在GH200 Grace Hopper超级芯片上进行多节点扩展，左图显示最大域大小随节点数量增加的变化，右图显示吞吐量（MLUPS）随节点数量增加的加速比。

新媒网跨境了解到，Warp还能充分利用GH200 Grace Hopper超级芯片的架构优势。在Autodesk Research与NVIDIA的合作中，XLB团队成功将XLB的Warp后端求解器扩展到多节点配置，能够执行高达约500亿个计算单元的CFD模拟。

团队采用了核外计算策略，将计算域和相关的流体变量主要存储在CPU内存中，并系统地传输到GPU进行处理。这得益于GH200的NVLink-C2C互连技术，它提供了高达900GB/s的CPU-GPU带宽。这使得核外计算策略变得高度实用，因为它可以实现数据的快速流式传输，当计算块在GPU内存中进出时，能够迅速交换。NVLink-C2C的内存一致性支持核外方法的无缝数据传输，从而消除了大规模模拟中传统的CPU-GPU瓶颈。

上面的图2定量地展示了XLB的Warp后端求解器在最大模拟尺寸（左图）和计算吞吐量（右图）方面，随着节点数量增加而实现的近似线性扩展。一个八节点的GH200集群使得模拟达到了约500亿个格子单元，同时比单节点GH200系统实现了约8倍的加速。

视频1. 使用NVIDIA Warp加速的Autodesk Research XLB对纽约市（美国）的流动进行大涡模拟。

这项成就标志着一个转折点：Python原生的CFD不再是一种妥协，而是一种创新的优势。Autodesk Research首席AI研究科学家Mehdi Ataei（一位来自美国的专家）表示：“XLB，在NVIDIA Warp的加持下，帮助研究人员快速原型开发和测试新想法，而不会被性能瓶颈所拖累。这种敏捷性已经促使我们开发出多个正在发表中的研究原型。”

NVIDIA Warp：以“光速”编写求解器

接下来，我们深入探讨一下NVIDIA Warp的一些关键特性，它们让Warp在开发可扩展的CAE模拟工具方面独具优势。

图3. NVIDIA Warp弥合了CUDA和Python之间的鸿沟，由NVIDIA仿真技术团队专门为仿真开发者设计。

NVIDIA Warp为模拟开发者在CUDA和Python之间搭建了一座强大的桥梁（图3）。它让开发者可以直接用Python编写GPU内核，并能通过即时（JIT）编译生成原生的CUDA代码。Warp提供了丰富的模拟功能，例如用于有限元分析的warp.fem模块，这使其与Numba等现有的Python-CUDA库区分开来。更重要的是，Warp内核从设计之初就是可微分的，这使得它能够与PyTorch和JAX等深度学习框架无缝集成。同时，Warp还保持了与NumPy、CuPy和JAX等众多现有框架的互操作性，让用户可以充分利用各个框架的优势。

图4. XLB在方腔流模拟中JAX后端与Warp后端的性能对比。

上面的图4对比了XLB的Warp和JAX后端在计算吞吐量（MLUPS）和内存消耗方面的表现。在Autodesk Research团队所使用的特定硬件配置以及方腔流基准测试中，Warp在吞吐量和内存使用方面均优于JAX（图4）。XLB的Warp后端求解器在单张A100 GPU上，比JAX后端求解器实现了约8倍的提速，同时在内存效率方面，对于方腔流模拟，也达到了2到3倍的提升。

这种显著的性能提升（图4中的左图）源于Warp为模拟优化而设计，以及其明确的内核编程模型。Warp允许开发者直接用Python编写领域特定的CUDA内核和设备函数。这种显式方法消除了计算开销，并为CAE模拟带来了更可预测的性能。此外，Warp的JIT编译器执行了激进的优化，包括循环展开和分支消除，进一步提升了执行速度。

内存效率的提升（图4中的右图）则体现了Warp的显式内存管理理念。Warp要求开发者预先分配输入和输出数组，从而消除了隐藏的内存分配和中间缓冲区。这种“亲力亲为”的方法，虽然需要开发者投入更多关注，但最终带来了更精简的内存占用，并能随着问题规模的扩大而可预测地扩展。

弥合性能与生产力之间的鸿沟

性能与开发效率之间的历史性权衡，如今不再是必然的妥协。由Autodesk Research开发并由NVIDIA Warp加速的XLB库，正是这一新范式的典范。它证明了Python原生框架，完全可以提供与高度优化、底层代码相当的性能，同时保留Python生态系统的易用性和快速开发周期。

各位同行们，新媒网跨境认为，这种技术趋势非常值得我们关注。它预示着未来我们处理复杂问题的方式将更加智能化、高效化，并且能够更好地与现有的人工智能工具结合，为我们国家在工业设计、科研创新乃至更广阔的跨境业务场景中，带来无限可能。

如果你对XLB和NVIDIA Warp感兴趣，并想将它们应用于你的CFD项目，可以通过以下链接了解更多信息：

• XLB GitHub 仓库：
• XLB 论文：
• Autodesk Research在GTC 2025上关于XLB和NVIDIA Warp的演讲：
• GTC 2024上关于NVIDIA Warp的演讲：
• NVIDIA Warp 文档：

风险前瞻与时效提醒

各位跨境的战友们，虽然这篇文章分享了前沿科技的巨大潜力，但在实际应用中，我们仍需保持审慎。

风险与合规性：

1. 技术门槛与学习曲线： 尽管XLB和Warp降低了Python用户的HPC门槛，但高性能计算和CFD领域本身仍具有一定的专业性。引入这类技术，需要团队具备相应的学习能力和技术储备，对人员进行专业培训是必要的投入。
2. 硬件投资： 文中提及的NVIDIA GH200 Grace Hopper超级芯片是顶级的AI/HPC硬件，其采购和维护成本较高。对于中小企业而言，需评估是否具备相应的预算和需求匹配度。
3. 数据安全与隐私： 在进行大规模模拟和数据处理时，特别是涉及企业核心产品设计数据，务必确保数据存储、传输和计算过程的安全性与合规性，遵守国内外相关数据保护法规。
4. 开源软件风险： XLB是开源库，开源软件虽然开放透明，但其维护和支持可能不如商业软件稳定，潜在的bug和安全漏洞需要及时关注社区更新。

教程时效性说明：
本文所引用的技术进展和GTC 2025等信息，是基于当前（2025年）的科技发展前沿。鉴于科技日新月异，尤其是在AI和HPC领域，未来可能会有更高效的算法、更强大的硬件平台以及更便捷的开发工具涌现。因此，建议读者持续关注NVIDIA、Autodesk等官方渠道的最新动态，确保所采纳的技术方案始终保持先进性。特朗普总统目前在任，全球科技合作与竞争态势复杂，我们更应把握自身技术创新，积极应对挑战。

新媒网（公号: 新媒网跨境发布），是一个专业的跨境电商、游戏、支付、贸易和广告社区平台，为百万跨境人传递最新的海外淘金精准资讯情报。

本文来源：新媒网 https://nmedialink.com/posts/warp-python-cfd-8x-speedup-large-scale-sims.html